Kajian Peramalan Permintaan dan Perencanaan Optimasi Produksi Semen Pada Plant 11 PT Indocement Tunggal Prakarsa Tbk

KAJIAN PERAMALAN PERMINTAAN DAN PERENCANAAN OPTIMASI PRODUKSI SEMEN PADA PLANT 11

PT INDOCEMENT TUNGGAL PRAKARSA TBK

Oleh

OKTO PREDI HUTAJULU H24060054

DEPARTEMEN MANAJEMEN

FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR

Optimasi Produksi Semen Pada Plant 11 PT Indocement Tunggal Prakarsa Tbk. Di

bawah bimbingan H. Musa Hubeis

Peramalan permintaan untuk masa mendatang merupakan dasar dalam perumusan perencanaan optimasi produksi. PT Indocement Tunggal Prakarsa (ITP) Tbk adalah salah satu perusahaan yang bergerak dalam industri semen yang

merupakan market leader diurutan kedua setelah PT. Semen Gresik Group, Tbk.

Maka untuk mempertahankan posisi pangsa pasarnya perusahaan harus melakukan perencanaan optimasi produksi yang baik, agar dapat melakukan efisiensi biaya.

Penelitian ini bertujuan untuk (1) menganalisis pola permintaan semen pada

plant 11 PT. Indocement, (2) mengkaji metode peramalan time series dan melakukan peramalan permintaan semen selama satu tahun mendatang, (3) mengkaji mengenai alokasi sumber daya dan faktor-faktor yang menjadi faktor kendala dalam melakukan

perencanaan optimasi produksi pada plant 11 PT ITP Tbk serta (4) melakukan

perencanaan jumlah produksi optimal selama periode perencanaan dan menganalisis pemecahan yang sesuai, jika terjadi perubahan-perubahan (Analisis Sensitivitas) pada fungsi kendala dan fungsi tujuan pada pemrograman linear.

Metode pengumpulan data dilakukan dengan menggunakan metode wawancara, studi literatur dan dokumentasi yang dimiliki perusahaan serta observasi lapang untuk mengetahui proses produksi dan sistem perencanaan produksi pada

Plant 11 PT ITP Tbk. Tahap selanjutnya melakukan peramalan permintaan selama

satu tahun ke depan, berdasarkan hasil analisis peramalan time series metode

peramalan terpilih adalah metode peramalan dekomposisi multiplikatif dengan nilai

Mean Square Error (MSE) terkecil. Hasil tersebut dijadikan sebagai dasar penentuan perencanaan optimasi produksi.

Parameter-parameter yang mempengaruhi proses perencanaan optimasi produksi adalah jumlah permintaan, jam tenaga kerja reguler dan lembur, kapasitas gudang, tingkat persediaan produk jadi dan kecepatan produksi. Formulasi model

optimasi dalam pemrograman linear dari fungsi tujuan adalah melakukan minimisasi

biaya produksi. Hasil optimasi biaya pada plant 11 PT Indocement mencapai Rp

1.433.751.360.067 dengan rincian biaya produksi Rp 1.427.144.992.000, biaya jam tenaga kerja reguler Rp 215.604.000, biaya jam kerja lembur Rp 14.075.436 dan biaya penyimpanan Rp 6.376.688.640.

ABSTRAK

Okto Predi Hutajulu. H24060054. Studi On Demand Forecasting and Optimization of Production Planning at Plant 11 PT Indocement Tunggal Prakarsa Tbk. Supervised by H. Musa Hubies

Forecasting demand for the future is the basis for formulating the optimization of production planning. PT Indocement Tunggal Prakarsa (ITP) Tbk is one of the companies engaged in the cement industry which is the market leader in second place after PT Semen Gresik Group Tbk, so in order to maintain market share position is the company planning to do a good optimization of production so as to make cost efficiency

Methods of data collection in this study carried out by using the method of interviews, literature studies and the company's documentation and field observations to determine the production process and production planning system at Plant 11 PT Indocement Tunggal Prakarsa Tbk. After that forecasting the demand for one year ahead, based on the results of forecasting the time series analysis forecasting method chosen is multiplicative decomposition method to forecast the value of MSE (Mean Square Error. After that, the forecast will serve as the basis in determining the optimization of production planning

The parameters that affect the optimization of production planning process is the number of requests, labor hours of regular and overtime, the capacity of the warehouse, finished product inventory levels and production rate. Formulation of optimization models in linear programming objective function is to perform minimization of production costs. Optimization results in the plant cost 11 PT. Indocement reached Rp 1,433,751,360,067 in detail, the production cost of Rp 1,427,144,992,000, the cost of regular labor hours Rp 215,604,000, the cost of overtime working hours Rp 14,075,436 and storage costs Rp 6,376,688,640.

PT INDOCEMENT TUNGGAL PRAKARSA TBK

SKRIPSI

Sebagai salah satu syarat untuk memperoleh gelar

SARJANA EKONOMI

Pada Departemen Manajemen Fakultas Ekonomi dan Manajemen

Institut Pertanian Bogor

Oleh

OKTO PREDI HUTAJULU H24060054

DEPARTEMEN MANAJEMEN

FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR

HALAMAN PENGESAHAN

Judul : Kajian Peramalan Permintaan dan Perencanaan Optimasi Produksi

Semen Pada Plant 11 PT Indocement Tunggal Prakarsa Tbk

Nama : Okto Predi Hutajulu

NIM : H24060054

Menyetujui,

Dosen Pembimbing

(Prof. Dr. Ir. H. Musa Hubeis, MS, Dipl.Ing, DEA) NIP. 195506261980031002

Mengetahui, Ketua Departemen

(Dr.Ir. Jono M. Munandar, MSc) NIP. 196101231986011002

iii

RIWAYAT HIDUP

Penulis dilahirkan di Kota Pematang Siantar pada tanggal 6 Oktober 1988. Penulis merupakan anak ketiga dari lima bersaudara pasangan Tuanggi Hutajulu dan Nargis Nainggolan. Penulis menyelesaikan pendidikan di SD Negeri 122378 Pematang Siantar Tahun 2000 dan melanjutkan pendidikan di Sekolah Lanjutan Tingkat Pertama Negeri 6 Pematang Siantar pada tahun yang sama. Selanjutnya pada Tahun 2003, penulis melanjutkan pendidikan di Sekolah Menengah Atas Negeri 4 Pematang Siantar dan masuk dalam program Ilmu Pengetahuan Alam (IPA) pada tahun 2005. Pada tahun 2006, penulis diterima di Institut Pertanian Bogor (IPB) melalui Seleksi Penerimaan Mahasiswa Baru (SPMB) di Departemen Manajemen, Fakultas Ekonomi dan Manajemen (FEM).

Selama mengikuti perkuliahan penulis aktif dalam berbagai kegiatan organisasi, pelatihan, kepanitiaan dan sebagai asisten dosen diantaranya UKM PMK IPB Komisi Pelayanan Siswa (2006-2009), Panitia Malam Suka Cita Paskah IPB (2008), Panitia Natal Civa IPB (2009), Pelatihan Kepemimpinan oleh Yayasan Goodwill International (2009-2010), Asisten dosen Agama Kristen Protestan (2007-2009) dan Koordinator Asisten Agama Kristen Protestan (2009-2010). Penulis juga

aktif didalam berbagai kegiatan seminar dan workshop serta pelatihan kepemimpinan

iv

KATA PENGANTAR

Puji dan syukur penulis sampaikan kepada Tuhan Yang Maha Esa karena atas

Rahmat dan Karunianya akhirnya dapat menyelesaikan skripsi yang berjudul Kajian

Peramalan Permintaan dan Perencanaan Optimasi Produksi Semen Pada Plant 11 PT Indocement Tunggal Prakarsa Tbk sebagai salah satu syarat memperoleh gelar Sarjana Ekonomi pada Departemen Manajemen, Fakultas Ekonomi dan Manajemen Institut Pertanian Bogor

Penyusunan skripsi ini banyak dibantu oleh berbagai pihak, baik secara moril maupun material, maka penulis mengucapkan terima kasih yang sebesar-besarnya kepada :

1. Prof. Dr. Ir. H. Musa Hubeis, MS, Dipl, Ing, DEA sebagai dosen pembimbing yang telah banyak meluangkan waktunya untuk memberikan bimbingan, saran, motivasi dan pengarahan kepada penulis.

2. Dr.Ir. Muhammad Syamsun, MSc dan Nurhadi Wijaya STP MM sebagai dosen penguji yang telah meluangkan waktu serta memberikan saran dan masukan kepada penulis

4. Bapak Ir. Eko Sugianto sebagai dosen pembimbing lapang pada Plant 11 PT ITP

Tbk yang memberikan masukan dan informasi kepada penulis sehingga dapat menyelesaikan proses penelitian mengenai perencanaan optimasi produksi pada

Plant 11 PT ITP Tbk

5. Bapak Deddy, Bapak Apep, Bapak Farhan, SE serta seluruh staff dan karyawan di PT ITP Tbk yang telah membantu dan mengijinkan penulis untuk melakukan penelitian serta membantu dalam proses pengambilan data.

6. Kedua orang tua, adik-adikku, kakak-kakakku yang memberikan semangat, dukungan material kepada penulis sehingga penulis dapat menyelesaikan studinya, curahan kasih sayang, inspirasi hidup dan doa yang tulus.

v

7. Seluruh staff pengajar dan karyawan/wati di Departemen Manajemen Fakultas Ekonomi dan Manajemen, IPB.

8. Anas Mutakin sebagai teman satu tempat penelitian dan satu bimbingan yang banyak memberikan saran pada penulis

9. Aurora, Anas, Emma, Vita, Yuli, Iqbal, Brain, Viester, Juandi, Delon dan Triatmojo (Teman SePS)

10. Semua anak-anak Manajemen 43 yang telah memberikan banyak pelajaran hidup selama kuliah (Suharman, Cecil, Sisi, Angel, Radius, Yani, dll)

11. Teman-teman asisten Agama (Citra, Eka, Rara, Jesika, Eko, Rona, Santoni, Zeny, Nehemia, Nova, Gladies, Idho, Samuel, Liber, K’Morin, K’Maria, B’Agus, B’Dolly, dll)

12. Anak-anak KPS UKM PMK IPB (Sandro Lubis, Mada, Joel, Desna, Molly, Zega, Dimas, Sudi, Eka dll), terutama tim SMP Negri 2 (Sandro Lubis, Dimas, Ninis, Yenny, Erti dan Maju)

13. Semua pihak yang telah membantu dalam proses penyelesaian skripsi ini. Semoga Tuhan memberikan berkat atas orang-orang tersebut.

Semoga skripsi ini memberi manfaat bagi pihak-pihak yang memerlukannya.

Bogor, Maret 2010

vi

DAFTAR ISI

Halaman ABSTRAK

RIWAYAT HIDUP ... iii

KATA PENGANTAR ... iv

DAFTAR TABEL ... viii

DAFTAR GAMBAR ... ix

DAFTAR LAMPIRAN ... x

I. PENDAHULUAN ... 1

1.1. Latar Belakang ... 1

1.2. Rumusan Masalah ... 4

1.3. Tujuan Penelitian ... 5

II. TINJAUAN PUSTAKA ... 6

2.1. Industri Manufaktur ... 6

2.2. Teori Peramalan ... 7

2.3. Jenis-Jenis Peramalan ... 8

2.4. Tahapan Peramalan ... 9

2.5. Metode Peramalan ... 11

2.5.1. Peramalan Kualitatif ... 11

2.5.2. Peramalan Kuantitatif ... 12

2.6. Metode Peramalan Deret Waktu ... 13

2.6.1. Metode Trend ... 15

2.6.2. Metode Rataan Bergerak ... 15

2.6.3. Metode Pemulusan Eksponensial ... 16

2.6.4. Metode Dekomposisi ... 17

2.6.5. Metode Winter’s Multiplikatif ... 17

2.7. Metode Peremalan Kausal ... 18

2.8. Pemilihan Metode Peramalan Terbaik ... 18

2.9. Pengertian Produksi ... 22

2.10. Optimasi Produksi ... 23

2.10.1. Konsep Dasar Linear Programing ... 24

2.10.2. Model Linear Programing ... 25

2.10.3. Analisis Sensitivitas ... 27

2.10.4. Analisis Dual ... 28

2.11. Hasil Penelitian Terdahulu yang Relevan ... 28

III. METODOLOGI PENELITIAN ... 30

3.1. Kerangka Pemikiran Penelitian ... 30

3.2. Lokasi dan Waktu Penelitian ... 33

3.3. Pengumpulan Data ... 33

vii

3.3.2. Sumber Data ... 33

3.4. Pengolahan dan Analisis Data ... 34

IV. HASIL DAN PEMBAHASAN ... 37

4.1. Gambaran Umum Perusahaan ... 37

4.1.1. Sejarah Perkembangan Perusahaan ... 37

4.1.2. Lokasi Perusahaan ... 41

4.1.3. Kepegawaian ... 42

4.1.4. Fasilitas Karyawan ... 43

4.1.5. Program Kesehatan dan Keselamatan Kerja ... 44

4.1.6. Struktur Organisasi Perusahaan ... 45

4.2. Gambaran Aktivitas Perusahaan ... 49

4.2.1. Produk yang Dihasilkan ... 49

4.2.2. Anak Perusahaan dan Investasi Lainnya ... 51

4.2.3. Bahan Baku ... 51

4.2.4. Pengelolaan di Bidang Lingkungan ... 52

4.2.5. Tanggungjawab Sosial ... 53

4.3. Proses Produksi Semen ... 54

4.3.1. Penambangan dan Penyediaan Bahan Baku ... 54

4.3.2. Pengeringan dan Penggilingan ... 56

4.3.3. Pembakaran dan Pendinginan ... 56

4.3.4. Proses Penggilingan Akhir ... 57

4.3.5. Pengemasan ... 58

4.4. Identifikasi Pola Data ... 59

4.5. Penerapan Metode Peramalan ... 60

4.6. Pemilihan Metode Peramalan ... 64

4.7. Peramalan Model Terpilih ... 65

4.8. Perumusan Model Pemrograman Linear ... 66

4.8.1. Perumusan Fungsi Tujuan ... 66

4.8.2. Perumusan Fungsi Kendala ... 68

4.9. Hasil Optimasi Fungsi Tujuan ... 73

4.10. Analisis Sensitivitas ... 75

4.10.1. Analisis Sensitivitas Koefisien Fungsi Tujuan ... 76

4.10.2. Analisis Sensitivitas Koefisien Fungsi Kendala ... 78

4.11. Analisis Dual ... 81

4.12. Implikasi Manajerial ... 82

KESIMPULAN DAN SARAN ... 84

1. Kesimpulan ... 84

2. Saran ... 85

DAFTAR PUSTAKA ... 86

KAJIAN PERAMALAN PERMINTAAN DAN PERENCANAAN OPTIMASI PRODUKSI SEMEN PADA PLANT 11

PT INDOCEMENT TUNGGAL PRAKARSA TBK

Oleh

OKTO PREDI HUTAJULU H24060054

DEPARTEMEN MANAJEMEN

FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR

Optimasi Produksi Semen Pada Plant 11 PT Indocement Tunggal Prakarsa Tbk. Di

bawah bimbingan H. Musa Hubeis

Peramalan permintaan untuk masa mendatang merupakan dasar dalam perumusan perencanaan optimasi produksi. PT Indocement Tunggal Prakarsa (ITP) Tbk adalah salah satu perusahaan yang bergerak dalam industri semen yang

merupakan market leader diurutan kedua setelah PT. Semen Gresik Group, Tbk.

Maka untuk mempertahankan posisi pangsa pasarnya perusahaan harus melakukan perencanaan optimasi produksi yang baik, agar dapat melakukan efisiensi biaya.

Penelitian ini bertujuan untuk (1) menganalisis pola permintaan semen pada

plant 11 PT. Indocement, (2) mengkaji metode peramalan time series dan melakukan peramalan permintaan semen selama satu tahun mendatang, (3) mengkaji mengenai alokasi sumber daya dan faktor-faktor yang menjadi faktor kendala dalam melakukan

perencanaan optimasi produksi pada plant 11 PT ITP Tbk serta (4) melakukan

perencanaan jumlah produksi optimal selama periode perencanaan dan menganalisis pemecahan yang sesuai, jika terjadi perubahan-perubahan (Analisis Sensitivitas) pada fungsi kendala dan fungsi tujuan pada pemrograman linear.

Metode pengumpulan data dilakukan dengan menggunakan metode wawancara, studi literatur dan dokumentasi yang dimiliki perusahaan serta observasi lapang untuk mengetahui proses produksi dan sistem perencanaan produksi pada

Plant 11 PT ITP Tbk. Tahap selanjutnya melakukan peramalan permintaan selama

satu tahun ke depan, berdasarkan hasil analisis peramalan time series metode

peramalan terpilih adalah metode peramalan dekomposisi multiplikatif dengan nilai

Mean Square Error (MSE) terkecil. Hasil tersebut dijadikan sebagai dasar penentuan perencanaan optimasi produksi.

Parameter-parameter yang mempengaruhi proses perencanaan optimasi produksi adalah jumlah permintaan, jam tenaga kerja reguler dan lembur, kapasitas gudang, tingkat persediaan produk jadi dan kecepatan produksi. Formulasi model

optimasi dalam pemrograman linear dari fungsi tujuan adalah melakukan minimisasi

biaya produksi. Hasil optimasi biaya pada plant 11 PT Indocement mencapai Rp

1.433.751.360.067 dengan rincian biaya produksi Rp 1.427.144.992.000, biaya jam tenaga kerja reguler Rp 215.604.000, biaya jam kerja lembur Rp 14.075.436 dan biaya penyimpanan Rp 6.376.688.640.

ABSTRAK

Okto Predi Hutajulu. H24060054. Studi On Demand Forecasting and Optimization of Production Planning at Plant 11 PT Indocement Tunggal Prakarsa Tbk. Supervised by H. Musa Hubies

Forecasting demand for the future is the basis for formulating the optimization of production planning. PT Indocement Tunggal Prakarsa (ITP) Tbk is one of the companies engaged in the cement industry which is the market leader in second place after PT Semen Gresik Group Tbk, so in order to maintain market share position is the company planning to do a good optimization of production so as to make cost efficiency

Methods of data collection in this study carried out by using the method of interviews, literature studies and the company's documentation and field observations to determine the production process and production planning system at Plant 11 PT Indocement Tunggal Prakarsa Tbk. After that forecasting the demand for one year ahead, based on the results of forecasting the time series analysis forecasting method chosen is multiplicative decomposition method to forecast the value of MSE (Mean Square Error. After that, the forecast will serve as the basis in determining the optimization of production planning

The parameters that affect the optimization of production planning process is the number of requests, labor hours of regular and overtime, the capacity of the warehouse, finished product inventory levels and production rate. Formulation of optimization models in linear programming objective function is to perform minimization of production costs. Optimization results in the plant cost 11 PT. Indocement reached Rp 1,433,751,360,067 in detail, the production cost of Rp 1,427,144,992,000, the cost of regular labor hours Rp 215,604,000, the cost of overtime working hours Rp 14,075,436 and storage costs Rp 6,376,688,640.

PT INDOCEMENT TUNGGAL PRAKARSA TBK

SKRIPSI

Sebagai salah satu syarat untuk memperoleh gelar

SARJANA EKONOMI

Pada Departemen Manajemen Fakultas Ekonomi dan Manajemen

Institut Pertanian Bogor

Oleh

OKTO PREDI HUTAJULU H24060054

DEPARTEMEN MANAJEMEN

FAKULTAS EKONOMI DAN MANAJEMEN INSTITUT PERTANIAN BOGOR

HALAMAN PENGESAHAN

Judul : Kajian Peramalan Permintaan dan Perencanaan Optimasi Produksi

Semen Pada Plant 11 PT Indocement Tunggal Prakarsa Tbk

Nama : Okto Predi Hutajulu

NIM : H24060054

Menyetujui,

Dosen Pembimbing

(Prof. Dr. Ir. H. Musa Hubeis, MS, Dipl.Ing, DEA) NIP. 195506261980031002

Mengetahui, Ketua Departemen

(Dr.Ir. Jono M. Munandar, MSc) NIP. 196101231986011002

iii

RIWAYAT HIDUP

Penulis dilahirkan di Kota Pematang Siantar pada tanggal 6 Oktober 1988. Penulis merupakan anak ketiga dari lima bersaudara pasangan Tuanggi Hutajulu dan Nargis Nainggolan. Penulis menyelesaikan pendidikan di SD Negeri 122378 Pematang Siantar Tahun 2000 dan melanjutkan pendidikan di Sekolah Lanjutan Tingkat Pertama Negeri 6 Pematang Siantar pada tahun yang sama. Selanjutnya pada Tahun 2003, penulis melanjutkan pendidikan di Sekolah Menengah Atas Negeri 4 Pematang Siantar dan masuk dalam program Ilmu Pengetahuan Alam (IPA) pada tahun 2005. Pada tahun 2006, penulis diterima di Institut Pertanian Bogor (IPB) melalui Seleksi Penerimaan Mahasiswa Baru (SPMB) di Departemen Manajemen, Fakultas Ekonomi dan Manajemen (FEM).

Selama mengikuti perkuliahan penulis aktif dalam berbagai kegiatan organisasi, pelatihan, kepanitiaan dan sebagai asisten dosen diantaranya UKM PMK IPB Komisi Pelayanan Siswa (2006-2009), Panitia Malam Suka Cita Paskah IPB (2008), Panitia Natal Civa IPB (2009), Pelatihan Kepemimpinan oleh Yayasan Goodwill International (2009-2010), Asisten dosen Agama Kristen Protestan (2007-2009) dan Koordinator Asisten Agama Kristen Protestan (2009-2010). Penulis juga

aktif didalam berbagai kegiatan seminar dan workshop serta pelatihan kepemimpinan

iv

KATA PENGANTAR

Puji dan syukur penulis sampaikan kepada Tuhan Yang Maha Esa karena atas

Rahmat dan Karunianya akhirnya dapat menyelesaikan skripsi yang berjudul Kajian

Peramalan Permintaan dan Perencanaan Optimasi Produksi Semen Pada Plant 11 PT Indocement Tunggal Prakarsa Tbk sebagai salah satu syarat memperoleh gelar Sarjana Ekonomi pada Departemen Manajemen, Fakultas Ekonomi dan Manajemen Institut Pertanian Bogor

Penyusunan skripsi ini banyak dibantu oleh berbagai pihak, baik secara moril maupun material, maka penulis mengucapkan terima kasih yang sebesar-besarnya kepada :

1. Prof. Dr. Ir. H. Musa Hubeis, MS, Dipl, Ing, DEA sebagai dosen pembimbing yang telah banyak meluangkan waktunya untuk memberikan bimbingan, saran, motivasi dan pengarahan kepada penulis.

2. Dr.Ir. Muhammad Syamsun, MSc dan Nurhadi Wijaya STP MM sebagai dosen penguji yang telah meluangkan waktu serta memberikan saran dan masukan kepada penulis

4. Bapak Ir. Eko Sugianto sebagai dosen pembimbing lapang pada Plant 11 PT ITP

Tbk yang memberikan masukan dan informasi kepada penulis sehingga dapat menyelesaikan proses penelitian mengenai perencanaan optimasi produksi pada

Plant 11 PT ITP Tbk

5. Bapak Deddy, Bapak Apep, Bapak Farhan, SE serta seluruh staff dan karyawan di PT ITP Tbk yang telah membantu dan mengijinkan penulis untuk melakukan penelitian serta membantu dalam proses pengambilan data.

6. Kedua orang tua, adik-adikku, kakak-kakakku yang memberikan semangat, dukungan material kepada penulis sehingga penulis dapat menyelesaikan studinya, curahan kasih sayang, inspirasi hidup dan doa yang tulus.

v

7. Seluruh staff pengajar dan karyawan/wati di Departemen Manajemen Fakultas Ekonomi dan Manajemen, IPB.

8. Anas Mutakin sebagai teman satu tempat penelitian dan satu bimbingan yang banyak memberikan saran pada penulis

9. Aurora, Anas, Emma, Vita, Yuli, Iqbal, Brain, Viester, Juandi, Delon dan Triatmojo (Teman SePS)

10. Semua anak-anak Manajemen 43 yang telah memberikan banyak pelajaran hidup selama kuliah (Suharman, Cecil, Sisi, Angel, Radius, Yani, dll)

11. Teman-teman asisten Agama (Citra, Eka, Rara, Jesika, Eko, Rona, Santoni, Zeny, Nehemia, Nova, Gladies, Idho, Samuel, Liber, K’Morin, K’Maria, B’Agus, B’Dolly, dll)

12. Anak-anak KPS UKM PMK IPB (Sandro Lubis, Mada, Joel, Desna, Molly, Zega, Dimas, Sudi, Eka dll), terutama tim SMP Negri 2 (Sandro Lubis, Dimas, Ninis, Yenny, Erti dan Maju)

13. Semua pihak yang telah membantu dalam proses penyelesaian skripsi ini. Semoga Tuhan memberikan berkat atas orang-orang tersebut.

Semoga skripsi ini memberi manfaat bagi pihak-pihak yang memerlukannya.

Bogor, Maret 2010

vi

DAFTAR ISI

Halaman ABSTRAK

RIWAYAT HIDUP ... iii

KATA PENGANTAR ... iv

DAFTAR TABEL ... viii

DAFTAR GAMBAR ... ix

DAFTAR LAMPIRAN ... x

I. PENDAHULUAN ... 1

1.1. Latar Belakang ... 1

1.2. Rumusan Masalah ... 4

1.3. Tujuan Penelitian ... 5

II. TINJAUAN PUSTAKA ... 6

2.1. Industri Manufaktur ... 6

2.2. Teori Peramalan ... 7

2.3. Jenis-Jenis Peramalan ... 8

2.4. Tahapan Peramalan ... 9

2.5. Metode Peramalan ... 11

2.5.1. Peramalan Kualitatif ... 11

2.5.2. Peramalan Kuantitatif ... 12

2.6. Metode Peramalan Deret Waktu ... 13

2.6.1. Metode Trend ... 15

2.6.2. Metode Rataan Bergerak ... 15

2.6.3. Metode Pemulusan Eksponensial ... 16

2.6.4. Metode Dekomposisi ... 17

2.6.5. Metode Winter’s Multiplikatif ... 17

2.7. Metode Peremalan Kausal ... 18

2.8. Pemilihan Metode Peramalan Terbaik ... 18

2.9. Pengertian Produksi ... 22

2.10. Optimasi Produksi ... 23

2.10.1. Konsep Dasar Linear Programing ... 24

2.10.2. Model Linear Programing ... 25

2.10.3. Analisis Sensitivitas ... 27

2.10.4. Analisis Dual ... 28

2.11. Hasil Penelitian Terdahulu yang Relevan ... 28

III. METODOLOGI PENELITIAN ... 30

3.1. Kerangka Pemikiran Penelitian ... 30

3.2. Lokasi dan Waktu Penelitian ... 33

3.3. Pengumpulan Data ... 33

vii

3.3.2. Sumber Data ... 33

3.4. Pengolahan dan Analisis Data ... 34

IV. HASIL DAN PEMBAHASAN ... 37

4.1. Gambaran Umum Perusahaan ... 37

4.1.1. Sejarah Perkembangan Perusahaan ... 37

4.1.2. Lokasi Perusahaan ... 41

4.1.3. Kepegawaian ... 42

4.1.4. Fasilitas Karyawan ... 43

4.1.5. Program Kesehatan dan Keselamatan Kerja ... 44

4.1.6. Struktur Organisasi Perusahaan ... 45

4.2. Gambaran Aktivitas Perusahaan ... 49

4.2.1. Produk yang Dihasilkan ... 49

4.2.2. Anak Perusahaan dan Investasi Lainnya ... 51

4.2.3. Bahan Baku ... 51

4.2.4. Pengelolaan di Bidang Lingkungan ... 52

4.2.5. Tanggungjawab Sosial ... 53

4.3. Proses Produksi Semen ... 54

4.3.1. Penambangan dan Penyediaan Bahan Baku ... 54

4.3.2. Pengeringan dan Penggilingan ... 56

4.3.3. Pembakaran dan Pendinginan ... 56

4.3.4. Proses Penggilingan Akhir ... 57

4.3.5. Pengemasan ... 58

4.4. Identifikasi Pola Data ... 59

4.5. Penerapan Metode Peramalan ... 60

4.6. Pemilihan Metode Peramalan ... 64

4.7. Peramalan Model Terpilih ... 65

4.8. Perumusan Model Pemrograman Linear ... 66

4.8.1. Perumusan Fungsi Tujuan ... 66

4.8.2. Perumusan Fungsi Kendala ... 68

4.9. Hasil Optimasi Fungsi Tujuan ... 73

4.10. Analisis Sensitivitas ... 75

4.10.1. Analisis Sensitivitas Koefisien Fungsi Tujuan ... 76

4.10.2. Analisis Sensitivitas Koefisien Fungsi Kendala ... 78

4.11. Analisis Dual ... 81

4.12. Implikasi Manajerial ... 82

KESIMPULAN DAN SARAN ... 84

1. Kesimpulan ... 84

2. Saran ... 85

DAFTAR PUSTAKA ... 86

viii

DAFTAR TABEL

No Halaman

1. Perkembangan industri dan permintaan semen domestik ... 2

2. Nilai dan perkembangan ekspor semen Indonesia ... 2

3. Perkembangan penjualan semen PT. ITP Tbk ... 3

4. Perkembangan pabrik semen di Indonesia ... 38

5. Perkembangan perusahaan PT. ITP Tbk ... 39

6. Jumlah tenaga kerja PT. ITP Tbk ... 42

7. Jam kerja normal untuk departemen mining dan packing ... 42

8. Jam kerja normal untuk departemen non mining dan packing ... 43

9. Jam kerja shift untuk departemen produksi ... 43

10. Anak perusahaan PT. ITP Tbk ... 51

11. Data permintaan semen pada plant 11 PT. ITP Tbk ... 59

12. Nilai akurasi kesalahan metode rataan bergerak ... 61

13. Nilai akurasi kesalahan metode pemulusan eksponensial ... 61

14. Nilai akurasi kesalahan metode dekomposisi ... 62

15. Nilai akurasi kesalahan metode Winter’s multiplikatif ... 63

16. Nilai akurasi kesalahan dari setiap metode peramalan ... 64

17. Peramalan jumlah permintaan semen pada plant 11 ... 65

18. Jumlah persediaan produk jadi selama periode perencanaan ... 69

19. Jumlah jan kerja reguler dan lembur ... 70

20. Koefisien fungsi kendala jam kerja lembur ... 72

21. Hasil perencanaan optimasi produksi pada plant 11 ... 73

22. Biaya perencanaan optimasi produksi ... 74

23. Hasil analisis sensitivitas koefisien fungsi tujuan ... 76

24. Hasil analisis sensitivitas koefisien fungsi kendala ... 78

ix

DAFTAR GAMBAR

No Halaman

1. Komposisi penguasaan pasar industri semen ... 3 2. Manufaktur sebagai proses input-output ... 6 3. Sistem produksi dan operasi ... 23 4. Kerangka pemikiran penelitian ... 32 5. Lokasi pabrik dan terminal PT. ITP Tbk ... 41 6. Struktur organisasi PT. ITP Tbk ... 49 7. Proses penambangan batu kapur ... 55 8. Proses penambangan tanah liat ... 55 9. Proses pembuatan semen ... 58 10. Grafik plot data permintaan semen pada plant 11 ... 59

x

DAFTAR LAMPIRAN

No Halaman

1. Daftar pertanyaan wawancara ... 89 2. Grafik ACF permintaan semen pada Plant 11 ... 91 3. Hasil peramalan metode trend ... 91 4. Hasil peramalan metode moving average ... 92

5. Hasil peramalan metode single eksponential smoothing ... 93

6. Hasil peramalan metode dekomposisi ... 94

7. Hasil peramalan permintaan dengan metode Winter’s multiplikatif . 98

8. Hasil Peramalan dengan metode regresi ... 99 8. Output LINDO untuk pemrograman linear ... 100

I. PENDAHULUAN

1.1. Latar Belakang

Pertumbuhan ekonomi Indonesia saat ini masih mengarah kepada

pertumbuhan yang positif, sehingga hal ini memicu terjadinya persaingan yang sangat ketat baik dari investor dalam maupun luar negeri. Persaingan yang semakin ketat antar perusahaan mendorong setiap perusahaan harus mengendalikan produksinya pada setiap lini produksi, sehingga tercapai efesiensi untuk mengurangi biaya produksi. Setiap perusahaan pasti memiliki tujuan yang sama, yaitu memiliki biaya produksi yang minimum, sehingga dapat memperoleh laba atau keuntungan, baik itu perusahaan jasa maupun perusahaan manufaktur. Dalam hal ini, masalah produksi merupakan masalah sangat penting yang harus diperhatikan setiap perusahaan agar dapat bersaing dengan perusahaan lain, karena apabila proses produksi dapat tercapai dengan baik, maka tujuan perusahaan dapat tercapai, sedangkan apabila proses produksi tidak berjalan sesuai dengan rencana, maka dapat mengakibatkan kerugiaan pada perusahaan. Kelancaran didalam proses produksi dipengaruhi oleh perencanaan jumlah barang dengan memperhatikan kombinasi dari setiap produksi barang yang akan diproduksi dengan memperhatikan keterbatasan sumber daya bahan baku yang dimiliki perusahaan.

Dampak krisis ekonomi global sangat mempengaruhi pertumbuhan ekonomi di seluruh dunia, terutama pertumbuhan sektor industri, walaupun pada keadaan krisis ekonomi global perekonomian Indonesia masih mengalami pertumbuhan ekonomi yang positif. Salah satu faktor pendukung pertumbuhan ekonomi Indonesia adalah pertumbuhan pada sektor properti. Pertumbuhan sektor properti sangat mendukung pertumbuhan beberapa sektor industri, salah satu industri yang mendapatkan dampak positif dari perkembangan industri properti adalah industri semen. Permintaan semen baik dari dalam negeri maupun luar negeri mengalami peningkatan secara terus menerus, disebabkan semakin meningkatnya perhatian masyarakat

2

maupun pemerintah untuk meningkatkan perbaikan dan pembenahan terhadap infrastuktur yang menunjang kesejahteraan masyarakat secara luas. Berdasarkan Tabel 1 dapat dilihat bahwa volume permintaan semen domestik dari tahun 2003-2008 mengalami peningkatan, dikarenakan oleh daya beli masyarakat yang semakin tinggi terhadap produk semen.

Tabel 1. Perkembangan industri dan permintaan semen domestik (dalam juta ton)

No Tahun Kapasitas terpasang

Komsumsi Domestik

Pertumbuhan Komsumsi

1 2003 47,5 27,5 1,8%

2 2004 47,5 30,2 9,7%

3 2005 46,1 31,5 4,2%

4 2006 44,9 31,9 1,5%

5 2007 45,5 34,2 7,0%

6 2008 46,2 38,1 11,4%

Sumber : Asosiasi Semen Indonesia, 2008

Nilai ekspor semen di Indonesia dari tahun 2004-2008 mengalami fluktuasi perkembangan. Pada tahun 2004-2006 pertumbuhan ekspor semen masih berada pada tingkat pertumbuhan positif, tetapi pada tahun 2007-2008 ekspor semen berada pada tingkat pertumbuhan negatif. Perkembangan nilai ekspor semen Indonesia dapat dilihat pada Tabel 2.

Tabel 2. Nilai dan perkembangan ekspor semen Indonesia No Tahun Nilai Ekspor

( US $ Juta)

Perkembangan (US $ Juta)

1 2004 136,68

2 2005 144,49 7,81

3 2006 245,79 101,30

4 2007 218,12 (27,67)

5 2008 171,34 (46.78)

% Perkembangan : 0, 19

Sumber : Pusdatin Departemen Perindustrian, 2008

Kondisi pertumbuhan industri semen di Indonesia mengakibatkan terjadinya peningkatan persaingan, sehingga hal ini mengharuskan setiap perusahaan semen harus mampu melakukan efisiensi dalam proses produksinya yang terkait dengan perencanaan kapasitas produksi dan kombinasi produk. Saat ini ada tujuh perusahaan semen yang beroperasi di Indonesia yaitu, Semen Gresik Group (G) yang terdiri dari Semen Gresik,

Semen Tonasa dan Semen Padang menguasai pangsa pasar sekitar 44,93%, Indocement Tunggal Prakarsa (I) 31,07%, Holcim (H) Indonesia 13,80% serta 10,20% dibagi kepada Semen Andalas, Semen Baturaja, Semen Bosowa dan Semen Kupang (Asosiasi Semen Indonesia, 2008).

Gambar 1. Komposisi penguasaan pangsa pasar industri semen di Indonesia

(Asosiasi Semen Indonesia, 2008)

Berdasarkan penguasaan pasar tersebut, PT Indocement Tunggal

Prakarsa (ITP) Tbk merupakan market leader pada urutan kedua setelah PT

Semen Gresik Group didalam industri Semen di Indonesia dengan penguasaan pangsa pasar 31,07%. Pada Tabel 3 dapat dilihat bahwa volume penjualan domestik perusahaan ini terus mengalami peningkatan mulai dari tahun 2005-2008, sedangkan volume ekspor mengalami perkembangan positif pada tahun 2005-2007, tetapi pada tahun 2008 mengalami penurunan dari 3,8 juta ton pada tahun 2007 menjadi 2,3 juta ton, dikarenakan kebijakan perusahaan untuk lebih mengutamakan pemenuhan kebutuhan pasar domestik yang semakin meningkat.

Tabel 3. Perkembangan penjualan semen PT ITP Tbk (juta ton)

No Tahun Domestik Ekspor

1 2005 9,6 2,5

2 2006 10 3,2

3 2007 10,7 3,8

4 2008 12,3 2,3

Sumber. PT ITP Tbk, 2008 0.00%

5.00% 10.00% 15.00% 20.00% 25.00% 30.00% 35.00% 40.00% 45.00% 50.00%

I H G L

2006

2007

4

Perusahaan ini mempunyai sistem pengoperasian pembuatan semen terintegrasi dengan kapasitas produksi total tahunannya mencapai 15,4 juta ton klinker. Perusahaan ini didirikan pada tahun 1985 dan saat ini mengoperasikan 12 pabrik, 9 pabrik terletak di wilayah Citeureup, Bogor, Jawa Barat; 2 di wilayah Paliaman, Cirebon, Jawa Barat; 1 di Tarjun, Kotabaru, Kalimantan Selatan. Produk utama perusahaan ini adalah Semen

Abu-Abu yang terdiri dari Ordinary Portland Cement dan Portland

Composite Cement, Oil Well Cement dan Semen Putih (White Cement). Perusahaan semen ini memiliki keuntungan lokasi strategik yaitu terletak dekat dengan kota Jakarta yang merupakan pusat pembangunan di pulau Jawa dan juga merupakan pintu gerbang perdagangan ekspor impor

Indonesia. Selain itu lokasi pabrik (plant) juga dekat dengan dengan wilayah

bahan baku sehingga dapat memudahkan proses produksi dan distribusi barang jadi. Kondisi ini menuntut perusahaan untuk mampu meramalkan permintaan pasar, sehingga dapat merencanakan jumlah barang yang akan diproduksi. Peramalan permintaan dibutuhkan oleh bagian perencanaan produksi untuk melihat permintaan konsumen di masa mendatang, serta prospeknya terhadap peningkatan penjualan perusahaan, sehingga dapat

menentukan atau merumuskan tingkat produksi efektif dengan

menggunakan sumber daya yang dimiliki perusahaan, sehingga dengan adanya keterbatasan jumlah sumber daya ini membuat perusahaan perlu melakukan optimasi, yaitu mengefisiensikan sumber daya yang dimiliki perusahaan untuk menghasilkan produk dalam jumlah yang banyak.

Berdasarkan latar belakang di atas dilakukan penelitian di PT ITP

Tbk pada wilayah produksi Citeureup dengan topik “Kajian Peramalan

Permintaan Dan Perencanaan Optimasi Produksi Semen Pada Plant 11 PT Indocement Tunggal Prakarsa Tbk”

1.2. Perumusan Masalah

1. Bagaimana pola permintaan semen di Plant 11 PT ITP Tbk dan metode

yang sesuai untuk peramalan permintaan semen di Plant 11 PT ITP Tbk,

2. Bagaimana perencanaan produksi optimum untuk memproduksi semen di

Plant 11 dan seberapa banyak produksi yang harus dilakukan oleh PT ITP Tbk untuk memperoleh biaya produksi yang minimum ?

3. Bagaimana alokasi sumber daya yang dimiliki oleh Plant 11 PT ITP Tbk

sebagai kendala produksi untuk mencapai kondisi optimal dan kendala apakah yang mengakibatkan perusahaan tidak mampu mencapai kondisi optimalnya ?

4. Bagaimana perubahan–perubahan (sensitivitas) yang terjadi, seperti

peningkatan jam tenaga kerja, jumlah produksi dan ketersediaan, serta kapasitas gudang dapat mempengaruhi proses perencanaan optimasi produksi ?

1.3. Tujuan Penelitian

1. Mengkaji dan menganalisis pola data permintaan semen di Plant 11 PT

ITP Tbk yang selama ini berlangsung dan menentukan metode yang

sesuai untuk peramalan permintaan semen di Plant 11 PT ITP Tbk.

2. Mendapatkan ramalan jumlah semen yang akan diminta oleh konsumen

untuk satu tahun kedepan dan menganalisis jumlah produksi semen yang

optimal pada plant 11 PT ITP Tbk mencapai kondisi optimal.

3. Mengkaji alokasi sumber daya yang diterapkan oleh PT ITP Tbk sebagai

kendala produksi untuk mencapai kondisi yang optimal dan menganalisis faktor–faktor yang mengakibatkan perusahaan tidak mencapai keadaan optimal.

4. Menganalisis pemecahan masalah yang sesuai, jika terjadi

perubahan-perubahan (sensitivitas) pada kombinasi awal produksi seperti peningkatan jam tenaga kerja, jumlah produksi dan tingkat persediaan

barang jadi dalam perumusan pemrograman linear pada Plant 11 PT ITP

II. TINJAUAN PUSTAKA

2.1. Industri Manufaktur

Manufaktur berasal dari kata Manufacture yang berarti membuat dari

tangan (manual) atau dengan mesin sehingga menghasilkan sesuatu barang (Prawirosentono, 2007). Secara umum, manufaktur menurut Prawirosentono (2007) adalah kegiatan memproses suatu barang atau beberapa bahan menjadi barang lain yang mempunyai nilai tambah yang lebih besar atau

kegiatan-kegiatan memproses pengolahan input menjadi output. Contoh industri

manufaktur adalah industri semen, industri obat, industri tekstil, industri perkayuan dan industri makanan.

Proses manufaktur dapat digambarkan dalam kerangka masukan-masukan seperti terlihat pada Gambar 2. Masukannya berupa bahan baku yang selanjutnya bahan baku dikonversi (dengan bantuan peralatan, waktu, keahlian, uang, manajemen dan lain sebagainya) menjadi keluaran yang disebut sebagai produk akhir. Pengendalian produksi berkepentingan dengan

peramalan atau perkiraan keluaran, penentuan input yang dibutuhkan,

perencanaan dan pengolahan bahan baku berdasarkan urutan produksi atau konversi yang dibutuhkan

Gambar 2. Manufaktur sebagai proses input-output (Biegel dalam Kusuma,

2004)

Keluaran Produk Jadi Masukan

Bahan Baku

Perencanaan dan Pengendalian Produksi

Proses Operasi Manufaktur

2.2. Teori Peramalan

Menurut Mulyono (2000), peramalan adalah suatu proses memperkirakan secara sistematik tentang apa yang mungkin terjadi di masa depan berdasarkan informasi masa lalu dan sekarang yang dimiliki, agar kesalahannya dapat diperkecil. Menurut Handoko (1994), peramalan adalah suatu penafsiran terhadap permintaan akan produk dan jasa di masa mendatang dan bagian-bagiannya adalah sangat penting didalam perencanaan dan pengawasan produksi. Peramalan yang baik adalah esensial untuk efisiensi operasi operasi manufacturing dan produksi jasa, hasil-hasil

peramalan digunaka dalam pembuatan keputusan-keputusan yang

menyangkut pemilihan proses, perencanaan kapasitas, dan tata letak fasilitas serta berbagai keputusan bersifat terus menerus dan berkenaan dengan perencanaan, penjadwalan dan persediaan.

Menurut Heizer dan Render (2005), peramalan adalah seni dan ilmu untuk memperkirakan kejadian di masa depan yang dapat dilakukan dengan melibatkan pengambilan data masa lalu dan menempatkannya ke masa mendatang dengan suatu bentuk model matematik. Kegunaan dari peramalan terlihat pada saat pengambilan keputusan, karena adanya perbedaan waktu antara kesadaran akan dibutuhkannya suatu kebijakan baru dengan waktu pelaksanaan kebijakan tersebut dan untuk memperkirakan peluang, serta kesempatan yang ada dan ancaman yang mungkin terjadi di masa mendatang. Terkait dengan penelitian ini, aktivitas peramalan dimaksudkan agar perusahaan PT ITP Tbk sebagai pembuat keputusan dalam proses produksi menyiasati pola kemungkinan permintaan semen di masa mendatang, maka perlu dilakukan maksimalisasi produktivitas perusahaan dan untuk meningkatkan keuntungan.

Makridarkis, et al (1999) menyatakan bahwa komitmen telah tumbuh karena beberapa faktor, yaitu :

1. Meningkatnya kompleksitas organisasi dan lingkungannya.

2. Meningkatnya ukuran organisasi.

8

4. Pengambilan keputusan yang semakin sistematis.

5. Metode peramalan dan pengetahuan semakin berkembang.

Beberapa faktor penting yang harus dipertimbangkan dalam

peramalan mencakup :

1. Jarak ke masa depan yang harus diramal.

2. Tenggang waktu yang tersedia untuk mengambil keputusan.

3. Tingkat akurasi yang diperlukan.

4. Mutu data yang tersedia untuk analisis.

5. Sifat hubungan yang tercakup dalam masalah peramalan.

6. Biaya dan keuntungan yang berkaitan dengan masalah peramalan

2.3. Jenis–Jenis Peramalan

Menurut Assauri (1999), pada umumnya peramalan dapat dibedakan dari beberapa segi tergantung dari cara melihatnya. Apabila dilihat dari sifat penyusunannya, maka peramalan dapat dibedakan atas dua macam, yaitu : 1. Peramalan subyektif, yaitu peramalan yang didasarkan atas perasaan atau

intuisi dari orang yang menyusunnya. Dalam hal ini pandangan atau

judgement dari orang yang menyusunnya sangat menentukan baik, tidaknya hasil ramalan tersebut.

2. Peramalan obyektif, yaitu peramalan yang didasarkan atas data yang relevan pada masa lalu, dengan menggunakan teknik–teknik dan metode-metode dalam penganalisaan data tersebut.

Menurut Heizer dan Render (2005), peramalan berdasarkan horizon waktu dibedakan atas beberapa kategori, yaitu :

1. Peramalan jangka pendek, yaitu peramalan yang mencakup jangka waktu hingga satu tahun, tetapi umumnya kurang dari 3 (tiga) bulan. Peramalan ini digunakan untuk merencanakan pembelian, penjadwalan kerja, jumlah tenaga kerja, penugasan kerja dan tingkat produksi.

2. Peramalan jangka menengah, yaitu peramalan yang mencakup hitungan bulanan hingga 3 (tiga) tahun. Peramalan ini berguna untuk

merencanakan penjualan, perencanaan dan anggaran produksi, anggaran kas dan menganalisis bermacam-macam rencana operasi.

3. Peramalan jangka panjang, yaitu peramalan yang mencakup perencanaan masa 3 tahun atau lebih. Peramalan ni digunakan untuk merencanakan produk baru, pembelanjaan modal, atau pengembangan fasilitas, serta penelitian dan pengembangan.

Menurut Assauri (1999), peramalan berdasarkan sifat ramalan yang telah disusun peramalan dibedakan atas dua macam, yaitu :

1. Peramalan kualitatif, yaitu peramalan yang didasarkan atas data kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat tergantung pada orang yang menyusunnya. Hal ini penting karena hasil peramalan

tersebut ditentukan berdasarkan pemikiran bersifat intuitif, judgement,

atau pendapat dan pengetahuan, serta pengalaman dari penyusunnya. Biasanya peramalan secara kualitatif didasarkan atas hasil penyelidikan. 2. Peramalan kuantitatif, yaitu peramalan yang didasarkan atas data

kuantitatif masa lalu. Hasil peramalan yang dibuat sangat tergantung pada metode yang digunakan dalam peramalan tersebut. Dengan metode yang berbeda akan dihasilkan data hasil peramalan berbeda. Baik tidaknya metode yang digunakan dalam peramalan ditentukan oleh penyimpangan antara hasil ramalan dengan kenyataan yang terjadi. Metode yang baik adalah metode yang memberikan nilai-nilai perbedaan atau penyimpangan yang mungkin. Peramalan kuantitatif hanya digunakan apabila terdapat tiga kondisi sebagai berikut :

a. Adanya informasi tentang keadaan yang lain

b. Informasi tersebut dapat dikuantifikasi dalam bentuk data

c. Dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada

masa mendatang.

2.4. Tahapan Peramalan

Peramalan adalah suatu usaha untuk meramalkan keadaan di masa mendatang melalui pengujian keadaan di masa lalu. Esensi peramalan adalah perkiraan peristiwa-peristiwa di waktu mendatang atas dasar pola-pola di

10

waktu yang lalu dan penggunaan kebijakan terhadap proyeksi-proyeksi dengan pola-pola di waktu yang lalu. Peramalan memerlukan kebijakan, sedangkan proyeksi-proyeksi adalah fungsi mekanikal. Menurut Handoko (1994), proses peramalan terdiri dari beberapa langkah, yaitu :

1. Penentuan Tujuan. Langkah pertama terdiri atas penentuan macam estimasi yang diinginkan. Sebaliknya, tujuan tergantung pada kebutuhan informasi para manajer. Analis membicarakannya dengan para pembuat keputusan untuk mengetahui apa kebutuhan-kebutuhan dan menentukan :

a. Peubah-peubah apa yang akan diestimasi.

b. Siapa yang akan menggunakan hasil peramalan.

c. Untuk tujuan-tujuan apa hasil peramalan akan digunakan.

d. Estimasi jangka panjang atau jangka pendek yang diinginkan.

e. Derajat kepentingan estimasi yang diinginkan.

f. Kapan estimasi dibutuhkan.

g. Bagian-bagian peramalan yang diinginkan, seperti peramalan untuk

kelompok pembeli, kelompok produk atau daerah geografis.

2. Pengembangan Model. Setelah tujuan ditetapkan, langkah berikutnya adalah mengembangkan suatu model, yang merupakan penyajian secara lebih sederhana dari sistem yang dipelajari. Model adalah suatu kerangka analitik yang bila dimasukkan data masukan menghasilkan estimasi penjualan di masa mendatang. Pemilihan suatu model yang tepat adalah krusial, karena setiap model mempunyai asumsi-asumsi yang harus dipenuhi sebagai persyaratan penggunaannya. Validitas dan realiabilitas estimasi sangat tergantung pada model yang dipakai.

3. Pengujian Model. Sebelum diterapkan, model biasanya diuji untuk menentukan tingkat akurasi, validitas dan reliabilitas yang diharapkan. Hal ini sering mencakup penerapannya pada data historik dan penyiapan estimasi untuk tahun-tahun sekarang dengan data nyata yang tersedia. Nilai suatu model ditentukan oleh derajat ketetapan hasil peramalan dengan kenyataan. Dengan kata lain, pengujian model bermaksud untuk mengetahui validitas atau kemampuan prediksi secara logik suatu model.

4. Penerapan Model. Setelah pengujian, analis menerapkan model dan dalam tahap ini data historik dimasukkan ke dalam model untuk menghasilkan suatu ramalan.

5. Revisi dan evaluasi. Ramalan–ramalan yang telah dibuat harus senantiasa diperbaiki dan ditinjau kembali. Perbaikan mungkin perlu dilakukan,

karena adanya perubahan-perubahan dalam perusahaan atau

lingkungannya seperti tingkat harga produk perusahaan, karakteristik-karakteristik produk, pengeluaran-pengeluaran periklanan, kebijaksanaan moneter dan kemajuan teknologi. Evaluasi merupakan perbandingan hasil ramalan dengan hasil nyata untuk menilai ketetapan penggunaan suatu metodologi atau teknik peramalan. Langkah ini diperlukan untuk menjaga mutu estimasi-estimasi di waktu mendatang.

2.5. Metode Peramalan

Terdapat dua pendekatan umum peramalan, sebagaimana ada dua cara mengatasi semua model keputusan, yaitu analisis kualitatif dan kuantitatif. Peramalan kuantitatif menggunakan model matematik yang beragam dengan data masa lalu dan peubah sebab akibat untuk meramalkan permintaan. Peramalan subyektif atau kualitatif, yaitu peramalan yang menggabungkan faktor seperti intuisi, emosi, pengalaman pribadi dan sistem nilai pengambilan keputusan untuk meramal (Handoko,1994).

2.5.1. Peramalan Kualitatif

Teknik peramalan kualitatif adalah subyektif atau judgmental atau

berdasarkan pada estimasi-estimasi dan pendapat-pendapat. Empat teknik peramalan kualitatif adalah :

a. Keputusan dari pendapat juri eksekutif. Dalam metode ini, pendapat sekumpulan kecil manajer atau pakar tingkat tinggi, sering dikombinasikan dengan model statistik, lalu dikumpulkan untuk mendapatkan prediksi permintaan kelompok (Heizer dan Render, 2005).

b. Metode Delphi. Metode Delphi merupakan teknik yang mempergunakan suatu prosedur sistematik untuk mendapatkan suatu

12

proses konsensus-konsensus pendapat-pendapat dari suatu kelompok ahli. Teknik ini dilakukan dengan meminta kepada para anggota kelompok untuk memberikan serangkaian ramalan-ramalan melalui tanggapannya terhadap daftar pertanyaan, kemudian seorang moderator mengumpulkan data dan memformulasikan daftar pertanyaan baru, serta dibagikan lagi kepada kelompok (Handoko, 1994).

c. Gabungan dari tenaga penjualan. Dalam pendekatan, setiap tenaga penjualan memperkirakan berapa penjualan yang dilakukan didalam wilayahnya. Peramalan ini kemudian dikaji untuk memastikan apakah peramalan cukup realistis. Kemudian peramalan dikombinasikan pada tingkat wilayah nasional untuk mendapatkan peramalan secara keseluruhan.

d. Survei pasar konsumen. Metode ini meminta input dari konsumen mengenai rencana pembelian di masa mendatang. Hal ini tidak hanya membantu dalam hal menyiapkan peramalan, tetapi juga memperbaiki desain produk dan perencanaan produk baru (Heizer dan Hender, 2005).

2.5.2. Metode Peramalan Kuantitatif

Peramalan kuantitatif menggunakan model matematik yang beragam dengan data masa lalu dan peubah sebab akibat untuk meramalkan permintaan. Metode peramalan kuantitatif memerlukan data historis atau data empiris, mutu data dan pemilihan metode yang cocok akan menentukan hasil mutu peramalan. Peramalan kuantitatif dapat diterapkan bila terdapat tiga kondisi (Makridarkis, et al., 1999) berikut :

a. Terdapat informasi masa lalu.

b. Informasi tersebut bisa dikuantitatifkan dalam bentuk data numerik.

c. Dapat diasumsikan bahwa pola masa lalu akan terus berlanjut di masa

mendatang.

Dua asumsi pertama pertama merupakan syarat keharusan bagi penerapan metode peramalan kuantitatif, sedangkan asusmsi ketiga merupakan syarat kecukupan, artinya walaupun asumsi ketiga dilanggar model yang dirumuskan masih dapat digunakan. Hanya hal ini akan

memberikan kesalahan peramalan yang relatif besar, bila perubahan pola data ataupun bentuk hubungan fungsional tersebut terjadi secara sistematis.

Berdasarkan data masa lalu, metode peramalan kuantitatif dibagi menjadi dua bagian, yaitu metode deret waktu (time series), yaitu model yang membuat prediksi dengan asumsi bahwa masa depan merupakan fungsi masa lalu, dengan menggunakan data masa lalu dapat melakukan peramalan. Dalam metode deret waktu peramal hanya berusaha mencari pola-pola dari data suatu data, tanpa berusaha mencari apa penyebab dan mengapa polanya demikian. Bisa jadi pola data masa lalu tidak sama lagi dengan masa depan, karena faktor-faktor yang mempengaruhinya sudah

berubah. Metode peramalan yang kedua adalah metode peramalan asosiatif

atau metode peramalan kausal (metode peramalan eksplanatori), yaitu metode peramalan yang menggabungkan peubah atau faktor yang mungkin mempengaruhi permintaan atas suatu produk (peubah bebas) terhadap permintaan suatu produk (peubah tidak bebas). Peramalan kuantitatif juga memiliki keterbatasan, jika terjadi perubahan pola data atau hubungan sebab akibat, maka hasil ramalan menjadi kurang akurat (Heizer dan Render, 2005).

2.6. Metode Peramalan Deret Waktu

Metode peramalan deret waktu merupakan suatu teknik peramalan yang menggunakan sekumpulan data yang dicatat selama periode tertentu yang digunakan untuk memprediksi atau meramalkan keadaan masa depan.

Komponen pola data deret berkala (time series) menurut Heizer dan Render

(2005), yaitu :

1. Trend Sekuler yaitu arah data deret berkala jangka panjang yang cukup

rata (smooth), atau pergerakan data sedikit demi sedikit meningkat atau

menurun.

2. Siklus adalah pola data yang terjadi setiap beberapa tahun, atau naik turunnya suatu deret waktu selama periode yang lebih panjang dari satu tahun.

14

3. Musim adalah pola data yang berulang pada kurun waktu tertentu seperti hari, minggu, bulan , atau kuartal.

4. Variasi acak adalah suatu titik khusus dalam data, yang disebabkan oleh peluang dan situasi yang tidak biasa. Variasi acak tidak memiliki pola khusus, jadi tidak dapat diprediksi.

Pola data permintaan diidentifikasi dengan mengamati secara visual plot data penjualan yang diperoleh dari program Microsoft Excel dan plot

autokorelasinya. Dari hasil plot data akan diketahui pola datanya untuk

sementara, apakah data tersebut memiliki unsur trend, siklus maupun

musiman. Pola data ini akan membantu dalam penggunaan metode yang paling cocok yang akan digunakan dalam proses peramalan. Langkah-langkah yang dilakukan pada identifikasi pola data penjualan Semen adalah menentukan apakah serial data yang digunakan bersifat stasioner atau tidak. Data stasioner dapat diketahui dengan melihat nilai-nilai autokorelasinya sesuai rumus berikut ;

=

∑ _∑ – ( )

( ) ………. (1)

Keterangan :

r

k : koefisien autokorelasi pada waktu lampau k

Yt : penjualan semen pada periode ke t

Yt-k : penjualan semen periode t-k

Y1 : rataan nilai dari deret waktu

Apabila nilainya turun dengan cepat atau mendekati nol sesudah nilai autokorelasi kedua atau ketiga, maka data tersebut bersifat stasioner. Sedangkan apabila data tidak bersifat stasioner yang ditunjukkan oleh nilai-nilai autokorelasi yang tidak turun ke nol dan bernilai-nilai positif. Autokorelasi adalah istilah yang digunakan untuk menjelaskan ketergantungan bersama antara nilai-nilai suatu deret berkala yang sama pada periode berlainan (Hanke et al., 2003).

2.6.1. Metode Trend

Metode ini menggambarkan hubungan antara periode dan peubah yang

diramalkan dengan menggunakan analisis trend. Apabila pola data yang

digunakan memiliki unsur musiman, maka komponen musiman dapat juga dicoba dalam metode ini (Heizer dan Render, 2005). Persamaan proyeksi

trend adalah :

Model trend linear : Ŷ = a + bx ……….. (2)

Keterangan: Ŷ : nilai terhitung dari peubah yang akan diramalkan

a : persilangan sumbu y

b : kemiringan garis

x : peubah bebas (waktu)

t : periode waktu

2.6.2. Metode Rataan Bergerak (Moving Average)

Metode rataan menggunakan rataan semua data untuk meramal, jika tersedia data baru, maka data tersebut dihitung dengan menambahkan nilai terkini dan mengeluarkan nilai terlama. Jumlah periode pada metode rataan bergerak sederhana adalah sama tetapi akan selalu bergerak ke depan dan menghilangkan periode yang sebelumnya sesuai dengan pergerakannya.

Metode ini tidak menangani trend atau musiman dengan baik, walaupun

metode ini lebih baik daripada rataan sederhana. Istilah rataan bergerak digunakan karena setiap diperoleh data aktual baru, maka rataan yang baru dapat dihitung dengan meninggalkan data periode yang terlama dan memasukkan data periode terbaru.

Metode rataan bergerak menggunakan nilai terakhir untuk membuat

peramalan.Trend ini melicinkan Metode rataan bergerak yang akan

digunakan sebagai peramalan untuk periode mendatang, dan seterusnya, secara matematik bentuk umum metode rataan bergerak dapat dirumuskan sebagai (Makridakis et al. (1995) berikut :

Y

t + 1

:

( )

16

Yt + 1 : ∑

………. (4)

Rataan bergerak : ∑ …. (5)

Keterangan : Yt +1 : Nilai peramalan untuk periode t+1

Yi : data permintaan ke-i

k : jumlah deret waktu yang digunakan

t : periode waktu

2.6.3. Metode Pemulusan (Smoothing) Eksponensial

Metode peramalan merupakan metode rataan bergerak yang memberikan bobot yang lebih kuat pada data terakhir daripada data awal. Hal ini menjadi sangat berguna jika perubahan terakhir pada data terlebih

dahulu yang merupakan akibat dari perubahan aktual (seperti, pola

musiman) daripada hanya fluktuasi acak (dimana suatu ramalan rataan bergerak sederhana sudah cukup). Metode ini juga menerangkan bahwa metode ini melakukan pembobotan menurun secara eksponensial terhadap nilai peubah atau observasi yang lalu. Setiap data pengamatan mempunyai kontribusi dalam penentuan nilai peramalan periode sebelumnya (Makridakis et al., 1999).

Rumusan penghalusan eksponensial secara umum dapat ditunjukkan sebagai berikut :

Y t + 1 = ∝ + ( 1− ∝ ) Y ……… (6)

Peramalan baru = peramalan periode baru +∝ ( permintaan aktual periode lalu – peramalan periode baru)

Keterangan : Yt + 1 = nilai peramalan periode t + 1

Yt = data permintaan ke – t

∝ = konstanta penghalus ( 0≤ ∝≤ 1 )

2.6.4. Metode Dekomposisi

Makridakis et al, 1999, menjelaskan bahwa metode dekomposisi

didasarkan pada asumsi bahwa data historis merupakan gabungan atau

komposisi dari faktor musiman, komponen trend dan komponen siklus.

Secara matematik bentuk umum pendekatan dekomposisi dapat digambarkan sebagai berikut :

Yt = f(Trt, CIt, Snt, €t) ……….. (7)

Keterangan : f : fungsi peramalan

Trt : komponen trend pada waktu t

CIt : komponen siklus pada waktu t

Snt : komponen musiman pada waktu t

€t : komponen kesalahan pada waktu t

2.6.5. Metode Winter’s Multiplikatif

Metode ini cocok untuk deret data dengan pola stationer, pola trend konsisten dan pola musiman. Metode Winter memiliki tiga komponen dasar, yaitu faktor acak atau random (at), faktor trend (bt) dan faktor

musiman (Snt). Dalam menginisialisasi metode ini diperlukan minimal

satu data musiman lengkap (L periode). Namun untuk mendapatkan α, β dan γ yang optimal diperlukan banyak percobaan pada berbagai kombinasi, sehingga memerlukan banyak parameter.

Secara matematik metode ini dapat dirumuskan sebagai berikut : Yt : a – (Yt / St-L) + ( 1-α) ( at-1 + bt-1) …………. (8)

bt : β (at – at-1) + ( 1- β) bt-1 ………(9)

Snt : γ (Yt/ at ) + ( 1- γ ) St-L ……… (10)

Yt+m : ( at – mbt ) Snt-L+m ………(11)

Keterangan : Yt = data aktual pada periode t

at = pemulusan terhadap deseasonalized data periode t

bt = pemulusan terhadap dugaan trend pada periode t

18

Yt+m = ramalan m periode ke depan setelah periode t

pada msing-masing produk αβγ = pembobotan pemusulan

L = banyaknya periode dalam satu tahun

2.7. Metode Peramalan Kausal (Regresi)

Dalam metode kausal nilai suatu peubah yang akan diramalkan

dipengaruhi oleh peubah lain. Makridakis et al. (1999) menyatakan bahwa

permalan metode kausal mengasumsikan adanya hubungan sebab akibat antara variabel independen dengan variabel dependen dari suatu model. Metode kausal sering juga disebut sebagai metode regresi. Metode regresi terdiri dari metode regresi sederhana yang terdiri dari satu variabel independen dan regresi berganda yang terdiri dari lebih dari satu variabel independen.

2.8 . Pemilihan Metode Peramalan Terbaik

Pengunaan peramalan dalam pengambilan keputusan oleh setiap pimpinan, baik pimpinan perusahaan maupun pimpinan organisasi merupakan hal sangat penting. Dengan demikian seorang peneliti atau analis sering menggunakan peramalan dalam penelitiannya, dapat menentukan teknik dan metode peramalan yang tepat. Dalam pemilihan teknik dan metode peramalan yang tepat perlu diketahui beberapa ciri-ciri penting yang sangat berpengaruh terhadap analisa dan pengambilan keputusan dalam mempersiapkan peramalan (Assauri, 1999).

Ciri utama yang perlu diperhatikan adalah :

1. Horison waktu. Periode waktu selama suatu keputusan atau analisa akan mempunyai pengaruh dan untuk ini manajer atau analis harus merencanakan dan pengaruh-pengruh pemilihan teknik dan metode peramalan yang tepat

2. Tingkat Perincian. Tugas-tugas dalam pengambilan keputusan dan analisa umumnya dibagi-bagi (untuk mempermudah penanganannya menurut tingkat perincian yang dibutuhkan). Dalam pemilihan teknik atau metode peramalan untuk suatu keadaan tertentu haruslah hati-hati,

karena harus disesuaikan dengan tingkat perincian yang dibutuhkan dari peramalan tersebut untuk digunakan bagi pengambilan keputusan dan analisa.

3. Jumlah Produk. Dalam keadaan di mana keputusan atau analisa yang dibuat mengenai berbagai produk perusahaan, maka hendaklah ada usaha pengembangan secara efektif atas aturan-aturan pengambilan keputusan yang dapat diaplikasikan secara mekanis untuk masing-masing produk. Dalam keadaan ini hanya ada satu produk yang diramalkan, maka aturan-aturan yang digunakan dalam persiapan ramalan dapat lebih rinci dan lebih rumit dari keadaan di mana terdapat banyak ramalan yang harus dibuat.

4. Pengawasan Versus Perencanaan. Dalam metode peramalan yang dibutuhkan untuk pengawasan adalah metode peramalan yang mampu memperkirakan dan mengetahui sedini mungkin perubahan-perubahan yang terdapat dalam pola dasar. Sedangkan dalam bidang perencanaan umumnya dianggap bahwa pola yang ada akan berkelanjutan pada masa depan dan karena itu dasar-dasar utama yang penting adalah mengidentifikasi pola-pola tersebut, serta mengekstrapolasikannya untuk masa mendatang.

5. Stabilitas. Dalam keadaan stabil, metode peramalan dapat diterima dan diperiksa secara periodik untuk menentukan apakah hal tersebut masih berlaku. Sedangkan dalam keadaan yang tidak pasti, metode peramalan yang dibutuhkan adalah metode yang dapat sesuai dengan hasil-hasil yang terbaru secara terus menerus dan informasi-informasi terakhir. 6. Prosedur Perencanaan yang Ada. Suatu metode peramalan umumnya

memasukkan proses perubahan-perubahan rencana perusahaan dan prosedur-prosedur pengambilan keputusan. Setiap prosedur-prosedur pengambilan keputusan membutuhkan metode peramalan yang berbeda dengan memilih metode yang berlaku pada saat dimulainya

Faktor-faktor utama yang dapat diidentifikasi sebagai teknik dan metode peramalan adalah :

20

1. Horison Waktu. Ada dua aspek dari horison waktu yang berhubungan dengan masing-masing metode peramalan. Pertama adalah cakupan waktu di masa mendatang. Aspek kedua adalah jumlah periode yang dibutuhkan untuk ramalan. Beberapa teknik dan metode hanya dapat sesuai untuk peramalan satu atau dua periode ke depan, sedangkan teknik dan metode yang lain dapat digunakan untuk peramalan periode di masa depan.

2. Pola dari Data. Dasar utama dari peramalan adalah anggapan bahwa macam dari pola data yang didapati di dalam data yang diramalkan akan berkelanjutan, maka perbedaan kemampuan metode peramalan dalam mengidentifikasi pola-pola data, memerlukan usaha penyesuaian antara pola data yang telah diperkirakan terlebih dahulu dengan teknik dan metode peramalan yang digunakan.

3. Jenis dari Model. Banyak metode peramalan telah menganggap adanya beberapa model dari keadaan yang diramalkan. Model-model ini merupakan suatu deret di mana waktu digambarkan sebagai unsur yang penting untuk menentukan perubahan-perubahan dalam pola yang mungkin secara sistematik dapat dijelaskan dengan analisis regresi atau

korelasi. Model yang lain adalah model sebab akibat atau “ causal

model” yang menggambarkan bahwa ramalan yang dilakukan sangat tergantung pada terjadinya sejumlah peristiwa yang lain atau sifatnya merupakan campuran dari model-model yang telah disebutkan di atas. Model-model tersebut sangat penting diperhatikan, karena model-model tersebut mempunyai kemampuan yang berbeda dalam analisa keadaan untuk pengambilan keputusan.

4. Biaya. Umumnya ada 4 (empat) unsur biaya yang tercakup dalam penggunaan suatu proses ramalan, yaitu biaya-biaya pengembangan, penyimpanan data, operasi pelaksanaan dan kesempatan dalam penggunaan teknik-teknik dan metode-metode lainnya.

5. Ketepatan. Tingkat ketepatan yang dibutuhkan sangat erat hubungannya dengan tingkat perincian yang dibutuhkan dalam suatu peramalan. Untuk beberapa pengambilan keputusan diharapkan variasi atau atas

ramalan yang dilakukan antara 10%-15% bagi maksud-maksud yang diharapkan, sedangkan untuk hal atau kasus lain mungkin menganggap bahwa adanya variasi atau penyimpangan atas ramalan 5% adalah cukup berbahaya .

Ada beberapa tolak ukur yang dapat digunakan sebagai alat untuk

mengukur kesalahan dalam peramalan (forecast error), yaitu :

1. Mean Absolute Error (MAE)

MAE merupakan suatu ukuran perbedaan atau selisih antara ramalan dengan aktual. MAE diperoleh dengan mengambil nilai absolut dari tiap kesalahan peramalan dibagi dengan jumlah periode data. Umumnya, semakin kecil nilai MAE, semakin akuran suatu ramalan (Heizer dan Render, 2005). MAE dapat dihitung sebagai berikut :

MAE = ∑| |

……… (12)

MAE = ∑| | ……… (13)

Dimana : Dt-Ft : selisih antara nilai data aktual dan peramalan periode N : periode data

2. Mean Square Error (MSE)

MSE merupakan rataan selisih kuadrat antara nilai yang diramalkan dan yang diamati (Heizer dan Render, 2005). MSE dapat dihitung sebagai berikut :

MSE = ∑( ) ………..(14)

MSE = ∑( ) ……….(15)

3. Mean Absolute Percentage Error (MAPE)

Menghitung dalam unsur yang diramal ribuan yang dihitung sebagai rataan diferensiasi absolut antara nilai yang diramalkan dan aktual untuk n periode (Heizer dan Render, 2005). MAPE dapat dihitung sebagai berikut :

22

MAPE = ∑ | | / ……….(17)

2.9. Pengertian Produksi

Produksi adalah serangkaian kegiatan yang menggunakan sejumlah sumber daya untuk menghasilkan barang dan jasa. Menurut Buffa dan Sarin (1996), sistem produksi sebagai alat yang digunakan untuk mengubah

masukan sumber daya (input) guna menciptakan barang dan jasa yang

berguna sebagai keluaran (output). Rangkaian masukan konversi–keluaran

merupakan cara yang berguna untuk mengkonseptualisasikan suatu sistem produksi, dimulai dengan unit terkecil dari kegiatan produksi yang disebut operasi. Tujuan utama suatu perusahaan dalam melakukan kegiatan produksi suatu barang atau jasa adalah untuk memperoleh keuntungan maksimum.

Fungsi produksi merupakan hubungan fisik antara jumlah input dengan

output. Hubungan antara input dan output ini dapat diformulasikan oleh sebuah fungsi produksi, yang dalam bentuk matematik dapat ditulis berikut :

Q = f (K, T, M, n) ……… (18)

Dimana Q : output yang dihasilkan selama satu periode tertentu

K : kapital T : tenaga kerja M : material n : faktor lainya.

Dari input yang tersedia setiap perusahaan ingin memperoleh hasil maksimal sesuai dengan tingkat teknologi tertinggi (Nicholson, 2001).

Sistem produksi dan operasi adalah suatu keterkaitan unsur-unsur yang berbeda secara terpadu, menyatu dan menyeluruh dalam pentransformasian masukan menjadi keluaran. Suatu sistem mempunyai banyak komponen yang terdapat dalam unsur, baik bahan maupun pentransformasiannya serta juga keluarannya. Sistem produksi mengkombinasikan atau menggabungkan dalam proses transformasi, komponen-komponen tersebut yang berupa bahan, tenaga kerja, modal dan lainnya (Assauri, 1999)

Gambar 3. Sistem produksi dan operasi (Assauri, 1999) 2.10. Optimasi Produksi

Persoalan optimasi adalah suatu persoalan untuk membuat nilai suatu

fungsi(X) beberapa peubah menjadi maksimum atau minimum atau dengan

memperhatikan pembatasan yang ada. Biasanya pembatasan-pembatasan tersebut meliputi tenaga kerja (men), uang (money), material

yang merupakan input, waktu dan ruang. Program linear (Linear

Programing atau LP) adalah suatu metode yang digunakan didalam penentuan optimasi produksi suatu perusahaan. LP merupakan metode matematik dalam mengalokasikan sumber daya langka untuk mencapai suatu tujuan seperti maksimum keuntungan atau meminimumkan biaya (Mulyono, 1991).

Menurut Siswanto (2007), LP adalah sebuah metode matematik

berkarakteristik linear untuk menemukan suatu penyelesaian optimal dengan

cara memaksimalkan atau meminimalkan fungsi tujuan terhadap satu susunan kendala. Soekartawi (1992) mengatakan bahwa optimasi adalah penggunaan faktor-faktor produksi seefisien mungkin. Faktor-faktor produksi tersebut adalah modal, mesin, bahan baku, bahan pembantu dan tenaga kerja. Optimasi yang dilakukan dapat ditempuh dengan dua cara, yaitu :

1. Maksimisasi, yaitu menggunakan atau mengalokasikan input yang sudah

tertentu untuk mendapatkan keuntungan maksimal. Maksimisasi keuntungan ini dapat dilihat baik dari segi laba, sistem kerja yang efektif (rancangan penugasan), maksimisasi pangsa pasar dan lokasi perusahaan

Masukan Bahan, Tenaga kerja, Mesin, Energi, Modal

dan Infromasi

Transformasi Proses Konversi

Keluaran Barang dan Jasa

24

2. Minimisasi, yaitu untuk menghasilkan tingkat output tertentu dengan

menggunakan input atau biaya paling minimal. Minimalisasi dapat berupa

minimalisasi penggunaan sumber daya, biaya distribusi, biaya persediaan, biaya pengendalian mutu, jumlah tenaga kerja, waktu proses pelayanan dan fasilitas perusahaan.

2.10.1. Konsep Dasar Linear Programing

Mulyono (1991), mendefenisikan program linear sebagai suatu metode matematik dalam mengalokasikan sumber daya langka untuk mencapai suatu tujuan seperti memaksimumkan keuntungan atau meminimumkan

biaya. Persoalan dalam program linear berusaha untuk mencari pemecahan

optimal di dalam batasan sumber daya perusahaan. Agar program linear

dapat diterapkan, maka asumsi-asumsi dasar yang dapat digunakan adalah : a. Linearity. Kata linear secara tidak langsung dapat diartikan sebagai hubungan proporsional yang berarti bahwa tingkat perubahan atau kemiringan hubungan fungsional itu adalah konstan dan karena itu perubahan nilai peubah mengakibatkan perubahan relatif nilai fungsi dalam jumlah yang sama.

b. Additivity. Hal ini dapat diartikan sebagai tak ada penyesuaian pada perhitungan peubah kriteria karena terjadinya interaksi. Additivitas mengharuskan bahwa fungsi tujuan adalah jumlah langsung dari kontribusi individual dari peubah-peubah yang berbeda. Dengan cara yang sama, dari sisi kiri dari setiap batasan hanya merupakan jumlah penggunaan individual dari setiap peubah dari sumber daya yang bersesuaian.

c. Divisibility. Suatu asumsi yang menyatakan bahwa nilai solusi yang diperoleh tidak harus merupakan bilangan bulat. Solusi dari hasil perhitungan dapat terjadi pada nilai pecahan manapun. Dalam hal ini peubah keputusan merupakan peubah kontinu, sebagai lawan dari peubah diskrit atau bilangan bulat.

d. Deterministic. Dalam LP semua parameter model diketahui konstan, maka secara tak langsung mengasumsikan bahwa suatu masalah

Lanjutan Lampiran 9

U10 27696.000000 0.000000 U11 22007.000000 0.000000 U12 22392.000000 0.000000 V1 38.052013 0.000000

VARIABLE VALUE REDUCED COST

V2 35.115028 0.000000 V3 43.660027 0.000000 V4 0.000000 37500.000000 V5 0.000000 37500.000000 V6 0.000000 37500.000000 V7 49.977009 0.000000 V8 0.000000 37500.000000 V9 27.141676 0.000000 V10 56.279343 0.000000 V11 0.000000 18750.000000 V12 0.000000 56250.000000 M1 0.000000 75000.000000 M2 0.000000 75000.000000 M3 0.000000 75000.000000 M4 19.851004 0.000000 M5 32.413502 0.000000 M6 101.203499 0.000000 M7 0.000000 75000.000000 M8 23.344501 0.000000 M9 0.000000 75000.000000 M10 0.000000 8333460.000000 M11 31.264494 0.000000 M12 24.499496 0.000000

ROW SLACK OR SURPLUS DUAL PRICES

2) 0.000000 -742000.000000 3) 0.000000 -742000.000000 4) 0.000000 -742000.000000 5) 0.000000 -742000.000000 6) 0.000000 -742000.000000 7) 0.000000 -742000.000000 8) 0.000000 -742000.000000 9) 0.000000 -742000.000000 10) 0.000000 -742000.000000 11) 0.000000 -742000.000000 12) 0.000000 -742000.000000 13) 0.000000 -742000.000000 14) 0.000000 -22260.000000 15) 0.000000 -22260.000000 16) 0.000000 -22372.500000 17) 0.000000 -22260.000000

ROW SLACK OR SURPLUS DUAL PRICES

18) 0.000000 -22260.000000 19) 0.000000 -22147.500000 20) 0.000000 -22372.500000 21) 0.000000 -22147.500000 22) 1314.218140 0.000000 23) 0.000000 -44576.250000 24) 0.000000 -22260.000000 25) 0.000000 -764372.500000 26) 48693.000000 0.000000 27) 45781.000000 0.000000 28) 44354.000000 0.000000 29) 50033.000000 0.000000 30) 49649.000000 0.000000 31) 56233.000000 0.000000 32) 46119.000000 0.000000 33) 48350.000000 0.000000 34) 44418.781250 0.000000 35) 44304.000000 0.000000 36) 49993.000000 0.000000 37) 49608.000000 0.000000 38) 0.000000 18750.000000 39) 0.000000 18750.000000 40) 0.000000 18750.000000 41) 0.000000 -18750.000000 42) 0.000000 -18750.000000 43) 0.000000 -18750.000000 44) 0.000000 18750.000000 45) 0.000000 -18750.000000 46) 0.000000 18750.000000 47) 0.000000 8277210.000000 48) 0.000000 0.000000 49) 0.000000 -37500.000000 50) 0.000000 -56250.000000 51) 0.000000 -56250.000000 52) 0.000000 -56250.000000 53) 0.000000 -18750.000000 54) 0.000000 -18750.000000 55) 0.000000 -18750.000000 56) 0.000000 -56250.000000 57) 0.000000 -18750.000000 58) 0.000000 -56250.000000 59) 0.000000 -8314710.000000 60) 0.000000 -37500.000000

ROW SLACK OR SURPLUS DUAL PRICES

61) 0.000000 0.000000 62) 18.309181 0.000000 63) 21.164141 0.000000 64) 12.317659 0.000000 65) 73.351501 0.000000 66) 84.802139 0.000000

67) 146.047516 0.000000 68) 7.847093 0.000000 69) 76.719513 0.000000 70) 28.445389 0.000000 71) 0.000000 7419999.500000 72) 84.425598 0.000000 73) 78.008453 0.000000 NO. ITERATIONS= 29

RANGES IN WHICH THE BASIS IS UNCHANGED: OBJ COEFFICIENT RANGES

VARIABLE CURRENT ALLOWABLE ALLOWABLE COEF INCREASE DECREASE

S1 742000.000000 INFINITY 22260.000000 S2 742000.000000 22260.000000 22260.000000 S3 742000.000000 22260.000000 22372.500000 S4 742000.000000 22372.500000 22260.000000 S5 742000.000000 22260.000000 22260.000000 S6 742000.000000 22260.000000 22147.500000 S7 742000.000000 22147.500000 22372.500000 S8 742000.000000 22372.500000 22147.500000 S9 742000.000000 22147.500000 22260.000000 S10 742000.000000 22260.000000 INFINITY S11 742000.000000 44576.250000 22260.000000 S12 742000.000000 22260.000000 764372.500000 T1 37500.000000 75000.000000 INFINITY T2 37500.000000 75000.000000 INFINITY T3 37500.000000 75000.000000 INFINITY T4 37500.000000 75000.000000 14840000.000000 T5 37500.000000 75000.000000 14840000.000000 T6 37500.000000 75000.000000 14765000.000000 T7 37500.000000 75000.000000 INFINITY T8 37500.000000 75000.000000 14765000.000000 T9 37500.000000 75000.000000 INFINITY

VARIABLE CURRENT ALLOWABLE ALLOWABLE COEF INCREASE DECREASE

T10 37500.000000 8333460.500000 INFINITY T11 37500.000000 18750.000000 112500.000000 T12 37500.000000 112500.000000 509581664.000000 U1 22260.000000 INFINITY 22260.000000 U2 22260.000000 INFINITY 22260.000000 U3 22260.000000 INFINITY 22372.500000 U4 22260.000000 INFINITY 22260.000000 U5 22260.000000 INFINITY 22260.000000 U6 22260.000000 INFINITY 22147.500000

U7 22260.000000 INFINITY 22372.500000 U8 22260.000000 INFINITY 22147.500000 U9 22260.000000 INFINITY 22260.000000 U10 22260.000000 INFINITY 44576.250000 U11 22260.000000 INFINITY 22260.000000 U12 22260.000000 INFINITY 764372.500000 V1 56250.000000 INFINITY 37500.000000 V2 56250.000000 7420000.000000 37500.000000 V3 56250.000000 7420000.000000 37500.000000 V4 56250.000000 INFINITY 37500.000000 V5 56250.000000 INFINITY 37500.000000 V6 56250.000000 INFINITY 37500.000000 V7 56250.000000 7382500.000000 37500.000000 V8 56250.000000 INFINITY 37500.000000 V9 56250.000000 7382500.000000 37500.000000 V10 56250.000000 7420000.000000 9395108.000000 V11 56250.000000 INFINITY 18750.000000 V12 56250.000000 INFINITY 56250.000000 M1 0.000000 INFINITY 75000.000000 M2 0.000000 INFINITY 75000.000000 M3 0.000000 INFINITY 75000.000000 M4 0.000000 14840000.000000 75000.000000 M5 0.000000 14840000.000000 75000.000000 M6 0.000000 14765000.000000 75000.000000 M7 0.000000 INFINITY 75000.000000 M8 0.000000 14765000.000000 75000.000000 M9 0.000000 INFINITY 75000.000000 M10 0.000000 INFINITY 8333460.500000 M11 0.000000 112500.000000 18750.000000 M12 0.000000 509581664.000000 112500.000000

RIGHTHAND SIDE RANGES

ROW CURRENT ALLOWABLE ALLOWABLE RHS INCREASE DECREASE

2 155337.000000 INFINITY 178644.000000 3 174793.000000 INFINITY 177705.000000 4 184305.000000 INFINITY 185732.000000 5 146445.000000 INFINITY 140766.000000 6 149007.000000 INFINITY 149391.000000 7 105115.000000 INFINITY 98531.000000 8 172545.000000 INFINITY 182659.000000 9 157668.000000 INFINITY 155437.000000 10 175116.000000 INFINITY 179047.218750 11 184645.000000 INFINITY 184759.781250 12 146716.000000 INFINITY 141027.000000 13 149282.000000 INFINITY 149667.000000 14 23307.000000 6103.060059 7054.712891 15 26219.000000 7054.712891 4105.886230

16 27646.000000 4105.886230 13234.001953 17 21967.000000 13234.001953 21609.000000 18 22351.000000 21609.000000 22351.000000 19 15767.000000 16659.001953 2615.697266 20 25881.000000 2669.079102 15563.000977 21 23650.000000 9047.225586 9481.795898 22 26267.000000 1314.218140 INFINITY 23 27696.000000 9481.795898 1314.218140 24 22007.000000 20842.996094 16332.997070 25 22392.000000 16332.997070 22392.000000 26 72000.000000 INFINITY 48693.000000 27 72000.000000 INFINITY 45781.000000 28 72000.000000 INFINITY 44354.000000 29 72000.000000 INFINITY 50033.000000 30 72000.000000 INFINITY 49649.000000 31 72000.000000 INFINITY 56233.000000 32 72000.000000 INFINITY 46119.000000 33 72000.000000 INFINITY 48350.000000 34 72000.000000 INFINITY 44418.781250 35 72000.000000 INFINITY 44304.000000 36 72000.000000 INFINITY 49993.000000 37 72000.000000 INFINITY 49608.000000 38 498.000000 38.052013 16.450296 39 498.000000 35.115028 19.015400 40 513.000000 43.660027 11.106997 41 462.000000 INFINITY 39.702007

ROW CURRENT ALLOWABLE ALLOWABLE RHS INCREASE DECREASE

42 513.000000 INFINITY 64.827003 43 498.000000 INFINITY 202.406998 44 498.000000 49.977009 7.050397 45 513.000000 INFINITY 46.689003 46 513.000000 27.141676 25.649586 47 498.000000 3.542367 25.557404 48 480.000000 INFINITY 31.264494 49 498.000000 62.528988 48.998993 50 466.131012 16.450296 38.052013 51 524.379028 19.015400 35.115028 52 552.379028 11.106997 43.660027 53 439.334991 39.702007 884.297974 54 447.020996 64.827003 961.172974 55 315.345001 202.406998 793.593018 56 517.635010 7.050397 49.977009 57 473.003998 46.689003 979.310974 58 528.348022 25.649586 27.141676 59 553.934998 25.557404 3.542367 60 440.148010 31.264494 448.735504 61 447.846008 48.998993 62.528988 62 52.759998 INFINITY 18.309181 63 59.259998 INFINITY 21.164141

64 60.270000 INFINITY 12.317659 65 53.160000 INFINITY 73.351501 66 48.730000 INFINITY 84.802139 67 35.639999 INFINITY 146.047516 68 58.490002 INFINITY 7.847093 69 51.560001 INFINITY 76.719513 70 57.259998 INFINITY 28.445389 71 62.599998 3.942655 28.445391 72 51.500000 INFINITY 84.425598 73 50.610001 INFINITY 78.008453